谷歌发布“ Vlogger ”模型：以单张图片生成 10 秒视频

谷歌发布了一个新的视频框架：

只需要一张你的头像、一段讲话录音，就能得到一个本人栩栩如生的演讲视频。

视频时长可变，目前看到的示例最高为 10s。

可以看到，无论是口型还是面部表情，它都非常自然。

如果输入图像囊括整个上半身，它也能配合丰富的手势：

网友看完就表示：

有了它，以后咱开线上视频会议再也不需要整理好发型、穿好衣服再去了。

嗯，拍一张肖像，录好演讲音频就可以（手动狗头）

用声音控制肖像生成视频

这个框架名叫VLOGGER。

它主要基于扩散模型，并包含两部分：

一个是随机的人体到 3D 运动（human-to-3d-motion）扩散模型。

另一个是用于增强文本到图像模型的新扩散架构。

其中，前者负责将音频波形作为输入，生成人物的身体控制动作，包括眼神、表情和手势、身体整体姿势等等。

后者则是一个时间维度的图像到图像模型，用于扩展大型图像扩散模型，使用刚刚预测的动作来生成相应的帧。

为了使结果符合特定的人物形象，VLOGGER 还将参数图像的 pose 图作为输入。

VLOGGER 的训练是在一个超大的数据集（名叫 MENTOR）上完成的。

有多大？全长 2200 小时，共包含 80 万个人物视频。

其中，测试集的视频时长也有 120 小时长，共计 4000 个人物。

谷歌介绍，VLOGGER 最突出的表现是具备多样性：

如下图所示，最后的像素图颜色越深（红）的部分，代表动作越丰富。

而和业内此前的同类方法相比，VLOGGER 最大的优势则体现在不需要对每个人进行训练、也不依赖于面部检测和裁剪，并且生成的视频很完整（既包括面部和唇部，也包括肢体动作）等等。

具体来看，如下表所示：

Face Reenactment 方法无法用音频和文本来控制此类视频生成。

Audio-to-motion 倒是可以音频生成，方式也是将音频编码为 3D 人脸动作，不过它生成的效果不够逼真。

Lip sync 可以处理不同主题的视频，但只能模拟嘴部动作。

对比起来，后面的两种方法 SadTaker 和 Styletalk 表现最接近谷歌 VLOGGER，但也败在了不能进行身体控制上，并且也不能进一步编辑视频。

说到视频编辑，如下图所示，VLOGGER 模型的应用之一就是这个，它可以一键让人物闭嘴、闭眼、只闭左眼或者全程睁眼：

另一个应用则是视频翻译：

例如将原视频的英语讲话改成口型一致的西班牙语。

网友吐槽

最后，" 老规矩 "，谷歌没有发布模型，现在能看的只有更多效果还有论文。

嗯，吐槽也是不少的：

画质模型、口型抽风对不上、看起来还是很机器人等等。

因此，有人毫不犹豫打上差评：

这就是谷歌的水准吗？

有点对不起 "VLOGGER" 这个名字了。

——和 OpenAI 的 Sora 对比，网友的说法确实也不是没有道理。。

大家觉得呢？

更多效果：

https://enriccorona.github.io/vlogger/

完整论文：

https://enriccorona.github.io/vlogger/paper.pdf